JMP交互作用图怎么生成，还有交互作用图里线条交叉了要怎么解释，在做DOE试验分析、回归建模、工艺参数优化这些事情的时候，是经常会碰到的。交互作用图这个东西，它不是光去盯着某一个因素看它高低对结果有没有影响，而是要去看一个因素它带来的那个影响，会不会因为另一个因素水平变了，就也跟着变了。在JMP里面，交互作用图通常是和模型分析放在一起用的，要是模型里面有交互项的话，那Fit Model报告里面的Interaction Plots，就会用那种矩阵的样子，去把因素和因素之间交互的关系给显示出来。

　　一、JMP交互作用图是怎么生成的

　　在要去生成交互作用图之前，操作者得先把响应的变量、因素的变量，还有模型里头的那些项，全都给设好，不要光是把数据往图里面一拖，就跑去下交互作用的判断了，尤其是在DOE或者是多因素回归那种场景里面，交互图最好是拿去和模型的结果放到一块儿去看的。

　　1、要先把数据的列给整一整

　　数据表里面，是要去把响应的值和因素的列给它分分清楚的，响应的值它一般都是那个Y，比方说强度、良率、尺寸、时间、浓度这些东西，因素呢，它一般就是那个X，比方说温度、压力、材料批次、设备、配方比例这些个玩意儿，分类的因素和连续的因素，也得去给它设对了才行，要是列的属性被弄错了的话，那后面的图还有模型，就全都会跟着一块儿跑偏的。

　　2、在模型里面去把交互的项给加进去

　　操作者是可以进到【Analyze】再到【Fit Model】里面去的，去把响应的变量给放进Y里头，去把要被分析的那些因素给放进模型的区域里面去，然后再照着试验的设计，去把主效应还有交互的项给加进去。

　　就比方说有温度、时间、压力这么三个因素，那是不能光只放温度、时间、压力这三个主效应的，要是想去瞧一瞧温度和时间它俩是不是会互相去影响，那就得去把温度乘上时间这样的交互项，也给一块儿放到模型里面去，JMP它自己的那个多元回归和建模的功能，是能靠着交互图的矩阵，去把变量跟变量之间的交互关系给查看到的，每一张图它被展示出来的，都是一对变量从不一样的角度给弄出来的那个关系。

　　3、去把交互作用的图给它打开来

　　模型被跑完了以后，是能在结果的那个报告里面，去找到那个红色的三角菜单的，在里头去翻一翻Factor Profiling跟它搭边的那些功能，然后再去把Interaction Plots，或者是Interaction Profiler给点开，交互的图它会照着模型预测出来的那个值，去把不同因素水平底下的线条给画出来的，JMP的那个Interaction Profiler呢，它也是能跟着预测剖面里面的因子值去发生变化的，这个东西就能被拿来去观察模型里面，因素跟因素之间交互的那个关系了。

　　二、JMP交互作用图里面线条交叉了要怎么去解释

　　交互作用图里面的线条它交叉了，这个通常是在说，两个因素之间它是有可能存在着很明显的交互作用的，也就是说呢，一个因素它对响应值影响的那个方向，或者是影响的那个幅度，是会被另一个因素它水平的不一样给改变的，简单点去说就是，不能再光去讲温度一升高结果就铁定会变好，或者是某一种材料它就铁定是最好的了，因为这个结论它很有可能只是在某一个条件底下，才能被成立的。

　　1、平行的线，它通常交互的作用就是比较弱的

　　要是几条线它看上去基本上是平行的，那这个就是在说，一个因素它变化的那个趋势，在不一样的水平底下，看着都是差不多的，就比如说A材料和B材料，在低温、高温底下，全都跟着时间在往上升，而且往上升的那个幅度也大差不差，那交互的作用它可能就是不咋强的，这种时候呢，就更应该去瞅着主效应看了，也就是去看某一个因素它自己本身，对结果平均下来的那个影响。

　　2、不平行的线，就说明是要被重点去关照一下的

　　要是线条它明显是不平行的，这个就是在说，因素跟因素之间，它是有可能互相在起作用的，就比如说在低温底下，时间是越长结果就越好，可到了高温底下呢，时间越是长，结果它反倒是变差了，这个它就不是那种简简单单的主效应能被解释得了的关系了，在JMP的交互作用图里面，不平行的线是可以被拿来当成是存在着交互作用的一个视觉上的证据的，但是在被正式地去做判断以前，还是要去再查一查交互项的那个p值的。

　　3、线条它交叉了，是要去结合着业务来下判断的

　　线条交叉了，这个东西可不等于说，就一准是有一个稳稳当当又靠得住的交互作用在，样本的量要是太少了、被重复的次数要是不够、离群的那个点又很明显的话，这些个情况全都是能把线条给弄得看着像是交叉了的，还要去瞅一瞅交叉它是发生在哪一个范围里面的，要是交叉的那个点，它是落在了实际工艺很少会被用到的那个区域里面，又或者是它就正好靠在数据的边界上头了，那这个就不能去把它给过度地解读了。

　　三、交互作用图的结果，是要怎么去被拿来做分析和决策的

　　交互作用图它最值钱的那个地方，就是去提醒操作者，不要把眼睛光只盯着单个的因素去看，尤其是在做工艺优化、配方试验、质量改进的时候，有些个参数你光单独去瞅它，效果也就是那么个样子，可是把它们给凑到了一块儿去的时候，才会跑出来那种很明显的变化的。

　　1、要先去瞧一瞧交互项它显不显著

　　图形这个东西，它只是被拿来做个直观判断的，模型结果里面的交互项的p值、置信的区间，还有残差的情况，这些东西也是要一块儿被拿过来瞧的，要是图上面被看着是有交叉的，可是交互项它并不显著的话，那可能它就只是样本在波动罢了，可要是交互项它是显著的，线条它又明显是不平行的，那这个就值得去把它再往下拆分开来，做条件的分析了。

　　2、去把水平给拆开来，再去解释那个结果

　　碰到了交互作用的时候，就不要光只去写一个温度有影响这种结论了，是可以去把它给改一改的，改成在低压力底下，温度往上升对响应的值提升是很明显的，可是到了高压力的底下，温度往上升的那个作用，它就变弱了，这种写法它是更加地靠拢交互作用它本来的那个意思的，也是更加适合被拿给工艺那边的人，或者是项目的团队去瞧的。

　　3、别去把交互的图，给当成了最后优化的那个结果

　　交互作用的图，它是能帮着去把关系给找出来不假，可是最后参数的那个组合，还是要去结合着预测的剖面、规格的要求、成本、它稳不稳当，还有实际能不能被造得出来这些东西的，某个组合在图上响应值它是最高的，这可不代表到了现场它就铁定是最合适的，要是它对波动它很敏感，又或者是它正好就靠在设备的上限边上了，那去实施它的那个风险，也是要一块儿被算进去的。

　　总结

　　JMP交互作用图是怎么生成的，还有交互作用图里面线条交叉了又是要怎么去解释的，这里面的重点，是先在模型里面去把主效应和交互项给它弄对了，然后再去靠着【Fit Model】后面的那个交互作用图，去把因素和因素之间的关系给它翻出来看一看，线条它基本上是平行的时候，交互的作用它通常就是不咋明显的，线条它明显不平行，或者是交叉了的时候，这个就是在说，一个因素它的那个影响，是有可能会跟着另一个因素水平的变化去变的，但是在做判断的时候，是不能光只瞅着图就去下结论的，还是要去把交互项的p值、样本的量、数据的范围，还有实际的业务场景，这些东西全给它结合到一块儿去的，这个样子的话，交互作用的图它才不是一张光好看的图，而是能被真真正正地去帮着解释试验的结果，还有去帮着优化参数的一个分析用的工具。